推荐系统在日常生活中扮演着越来越重要的角色。推荐系统能够对海量信息进行有效过滤,满足不同用户的个性化需求,如今已广泛应用在电子商务、电影和视频网站、社交网络及个性化广告等诸多领域中,创造着可观的商业价值。然而现阶段推荐系统的发展面临着新的挑战。一方面,对于推荐方法的研究,如协同过滤推荐和基于标签的推荐等,都只能从单一方法的角度出发衡量用户的偏好,或者在进行混合推荐时缺乏对物品间特征联系的考虑,得出的结论并不理想,而聚类方法能够挖掘物品的语义,使得用户的偏好特征更加显著。另一方面,伴随时间的推移,推荐系统会逐渐积累起用户的兴趣趋势进而引起惰性效应,忽略了多种情境感知因素对推荐结果的综合影响,推荐效果有待提升。本文从知乎网络社区的特点出发,利用标签聚类的方式对Tag-UserCF推荐算法进行了改进与分析,让同一标签簇下的物品更具有凝聚力和代表性,使用户的偏好特征更为突出,并且,设计和实现了基于协同过滤与标签聚类的混合推荐算法(TBC-UserCF),在此基础上实现了融合多因素情境感知的推荐系统,最后完成了对推荐方案效用的评价。本文的主要研究工作如下,(1)在Tag-UserCF推荐算法的基础上提出了一种改进方法,通过融入标签聚类发掘物品间的特征联系,让推荐结果更加准确。并对改进后的TBC-UserCF推荐算法的理论研究过程进行了阐述,对涉及到的阶段性步骤进行了分析。同时,评估了推荐算法的复杂度,说明了推荐效果。(2)在研究成果的基础上,设计与实现了一个融合TBC-UserCF与多因素情境感知的推荐系统。对推荐系统的数据模块、推荐模块和用户交互模块的原理和功能进行了介绍,并对情境感知推荐过程进行了详细的讨论,对推荐系统的界面进行了展示,提升了用户体验。(3)从性能测试和功能测试两方面对推荐算法和推荐系统进行测试评估,验证推荐算法的效用与推荐系统的效果。并通过实验分析得出结论,即从准确率、召回率和覆盖率三方面来讲本文设计的推荐算法的推荐质量有一定提高。通过本文的工作,可以论证利用标签聚类的方式能够更好地反映用户的偏好,标签簇的聚合过程能够让推荐更加优化,结合情境感知进行推荐的思路使得推荐系统更具有适应性和多样性,能够提供满意度更高的推荐。